OpenAI тестирует модели против специалистов из 44 профессий
OpenAI представила новый бенчмарк GDPval, который тестирует работу её моделей искусственного интеллекта в сравнении с профессионалами из различных отраслей. И является попыткой понять, насколько близки системы OpenAI к превосходству над людьми в экономически значимой работе.
Бенчмарк основан на 9 отраслях, которые вносят наибольший вклад в валовой внутренний продукт США. GDPval тестирует производительность моделей искусственного интеллекта по 44 профессиям в этих отраслях, от программистов до медсестёр и журналистов. И опытные профессионалы сравнивали отчёты, сгенерированные искусственным интеллектом, с работами других специалистов.
GPT-5 high была признана лучше или наравне с отраслевыми экспертами в 46,6% случаев. Claude Opus 4.1 от Anthropic была признана лучше или наравне с отраслевыми экспертами в 49% задач. Хотя OpenAI утверждает, что Claude показала такие высокие результаты из-за склонности создавать привлекательную графику.
Думаю, что такие высокие показатели моделей могут оказаться завышенными из-за ограниченности тестов. И не отражать реальную производительность. А сам новый бенчмарк может создать ложные ожидания от возможностей искусственного интеллекта в реальных условиях работы.
Автор: AIvengo
5 лет я работаю с машинным обучением и искусственным интеллектом. И эта сфера не перестает меня удивлять, восхищать и интересовать.
Latest News
UBTech отправит роботов Walker S2 служить на границу Китая за $37 млнКитайская компания UBTech выиграла контракт на $37 миллионов. И отправит человекоподобных роботов Walker S2 служить на границу Китая с Вьетнамом. South China Morning Post сообщает, что роботы будут взаимодействовать с туристами и персоналом, выполнять логистические операции, досматривать грузы и патрулировать местность. И что характерно — они умеют самостоятельно менять свою батарею.
ИИ-чатботы генерируют контент, усугубляющий расстройства питанияСовместное исследование Стэнфордского университета и Центра демократии и технологий показало тревожную картину. Чат-боты с искусственным интеллектом представляют серьёзный риск для людей с расстройствами пищевого поведения. Учёные предупреждают, что нейросети раздают вредные советы о диетах. Предлагают способы скрыть расстройство и генерируют "вдохновляющий контент для похудения", который усугубляет проблему.
OpenAGI выпустил модель Lux, которая обгоняет Google и OpenAIСтартап OpenAGI выпустил модель Lux для управления компьютером и заявляет, что это прорыв. По бенчмаркам модель на целое поколение обгоняет аналоги от Google, OpenAI и Anthropic. Кроме того, она работает быстрее. Примерно 1 секунда на шаг вместо 3 секунд у конкурентов. И в 10 раз дешевле по стоимости обработки 1 токена.
